Citation Number
2
Views
16
Durağan durum görsel uyarılmış potansiyeller (DDGUP), diğer beyin bilgisayar ara yüzü (BBA) tekniklerine oranla oldukça yüksek sinyal-gürültü oranları ve bilgi aktarım hızına sahip oldukları için EEG çalışmalarında sıkça kullanılır. Ayrıca durağan durum paradigmaları, dinamik neokorteks süreçlerinde tercih edilen frekansları karakterize etmek için de kullanılır. Kısa eğitim süresine sahip olan DDGUP’lar, pratik uygulamalarda önemli bir rol oynar. Sinyalleri komuta dönüştürmekte kullanılan, sinyal işleme algoritmaları, BBA sistemlerinin performansını arttırmak için kilit öneme sahiptir. Buna ek olarak, DDGUP sinyallerinin birbirinden farklı yöntemlerle sınıflandırılmasını araştıran çok az çalışma vardır. Bu çalışmada, internetten açık erişim ile alınan veri seti (AVI SSVEP Dataset) üzerinde analizler yapılmıştır. Veri setindeki EEG kayıtları, katılımcılar, rengi siyahtan beyaza hızla değişen yedi farklı frekansta yanıp sönen bir kutuya baktıkları durumda kaydedilmiştir. Oksipital bölgeden kaydedilen DDGUP sinyalleri ilk olarak Hızlı Fourier Dönüşümü uygulanarak, sinyal alt bantlarına (delta, teta, alfa, beta ve gama) ayrılmıştır. Alt bantların her biri için enerji ve varyans öznitelik vektörleri çıkarılmıştır. Öznitelikler altı temel sınıflandırıcı (LDA, k-NN, SVM, Naive Bayes, Topluluk Öğrenmesi, Karar Ağacı) ile sınıflandırılmıştır. Sınıflandırma performansları birbirleri ile karşılaştırılmıştır. Sınıflandırma 5-kat çapraz doğrulama modeli ve hata matrisinden doğruluk değerleri çıkarılarak analiz edilmiştir. Katılımcılar ayrı ayrı göz önüne alındığında %100’e varan sınıflandırma başarımı SVM ve k-NN sınıflandırıcılarında elde edilirken, ortalamalara göre en yüksek başarım Topluluk Öğrenmesi sınıflandırıcısında %79,73 olarak elde edilmiştir.
Standing visual stimulated potential (DDGUP) is often used in EEG studies because they have quite high signal-bullying rates and information transfer speed compared to other brain computer interface (BBA) techniques. Standing state paradigms are also used to characterize the preferred frequencies in the dynamic neocortex processes. DDGUPs with a short training period play an important role in practical applications. Signal processing algorithms, used in converting signals into commands, are crucial to improving the performance of BBA systems. In addition, there are very few studies that investigate the classification of DDGUP signals by different methods. In this study, analyses were made on the data set obtained by open access from the internet (AVI SSVEP Dataset). The EEG records in the data set were recorded when the participants looked at a box flaming at seven different frequencies, which quickly changes from black to white. DDGUP signals recorded from the oxypital area are first applied to the Fast Fourier Conversion, divided into the signals subband (delta, teta, alpha, beta and gamma). For each of the subbands, energy and variance properties vectors have been removed. Qualifications are classified by six basic classifiers (LDA, k-NN, SVM, Naive Bayes, Community Learning, Decision Tree). The performance is compared to each other. Classification was analyzed by extracting accuracy values from the 5-watt cross-confirmation model and error matrix. Participants individually considered, up to 100% classification success is achieved in SVM and k-NN classifiers, while the highest success according to the average was achieved in Community Learning classifiers at 79.73.
Steady-state visual evoked potentials (SSVEP) are frequently used in EEG studies as they have relatively high signal-to-noise ratios and information transfer rates compared to other brain computer interface (BCI) techniques. Also, steady state paradigms are used to characterize the frequencies preferred in dynamic neocortex processes. SSVEPs, which have a short training time, play an important role in practical applications. Signal processing algorithms used to convert signals into command are key to improving the performance of BCI systems. In addition, there are very few studies investigating the classification of SSVEP signals by different methods. In this study, analyzes were made on the data set (AVI SSVEP Dataset) received with open access from the internet. EEG recordings in the dataset were recorded when participants looked at a flashing box at seven different frequencies that changed color from black to white. SSVEP signals recorded from the occipital region were first applied to the Fast Fourier Transform to separate the signal subbands (delta, theta, alpha, beta and gamma). Energy and variance feature vectors are extracted for each subband. Features are classified with six basic classifiers (LDA, k-NN, SVM, Naive Bayes, Ensemble Learner, Decision Tree). Classification performances are compared with each other. Classification was analyzed by extracting accuracy values from 5-fold cross-validation model and confusion matrix. When the participants are considered separately, 100% classification success is achieved in SVM and k-NN classifiers, while the highest performance in the averages is obtained in the Ensemble Learning classifier with the accuracy of 79.73%.
Field : Fen Bilimleri ve Matematik
Journal Type : Ulusal
Article Detail 
Citation Owners
Similar Articles
Download PDF
Journal Information
Listen Paper
Print This Page
Share
Mendeley
